在自然语言处理中，LLM（大语言模型）的“温度”（Temperature） 是一个控制生成文本随机性的超参数。它通过调整模型输出概率分布的平滑程度，直接影响生成结果的多样性和创造性。以下是详细解释：
---
核心作用
温度参数的数值范围通常大于0，具体效果如下：
- 低温（如 0.1~0.5）
模型更倾向于选择概率最高的词，输出更保守、集中、连贯，但可能缺乏新意。
*示例：* 输入“天空是…”，生成“蓝色的”。
- 高温（如 1.0~1.5）
模型放松对高概率词的偏好，随机性增加，结果更不可预测甚至荒谬。
*示例：* 输入“天空是…”，生成“群青色的，仿佛被猫爪揉皱的丝绸”。
---
技术原理
温度通过调整 softmax 函数中的 logits（未归一化的概率）来控制概率分布。
假设某个词的原始概率为 \( p_i \)，调整后的概率为：
\
p_i' = \frac{\exp(\logits_i / T)}{\sum_j \exp(\logits_j / T)}
\
其中 \( T \) 是温度：
- \( T \to 0 \)：概率分布尖锐（仅最高概率词被选中，接近贪心搜索）。
- \( T \to \infty \)：概率分布均匀（完全随机，类似抛硬币）。
---
典型应用场景
1. 低温度（高确定性）
- 技术文档或问答任务（需准确性）。
- 翻译或摘要生成（避免跑题）。
2. 高温度（随机性）
- 写诗歌、故事（需要创意）。
- 生成多个备选答案（探索不同可能性）。
---
注意事项
- 温度过高可能导致文本不连贯或含错误事实。
- 温度过低可能让结果重复、呆板（如复读机式回答）。
- 常与其他采样方法配合使用（如 top-k、nucleus采样）。
---
示例代码
在调用模型时指定温度值（以OpenAI API为例）：
python
response = openai.Completion.create(
model="text-davinci-003",
prompt="天空是",
temperature=0.7 常用平衡值（中等随机性）
)
简而言之，温度是调节LLM输出“想象力”的旋钮。合理调整它可以在“保守精准”与“脑洞大开”之间找到理想平衡。
